WO2023079737A1 - アーク炉設備 - Google Patents

アーク炉設備 Download PDF

Info

Publication number
WO2023079737A1
WO2023079737A1 PCT/JP2021/040981 JP2021040981W WO2023079737A1 WO 2023079737 A1 WO2023079737 A1 WO 2023079737A1 JP 2021040981 W JP2021040981 W JP 2021040981W WO 2023079737 A1 WO2023079737 A1 WO 2023079737A1
Authority
WO
WIPO (PCT)
Prior art keywords
arc
scrap
data
electrode
arc furnace
Prior art date
Application number
PCT/JP2021/040981
Other languages
English (en)
French (fr)
Inventor
真康 関本
Original Assignee
東芝三菱電機産業システム株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 東芝三菱電機産業システム株式会社 filed Critical 東芝三菱電機産業システム株式会社
Priority to CN202180075490.XA priority Critical patent/CN116530213A/zh
Priority to PCT/JP2021/040981 priority patent/WO2023079737A1/ja
Priority to JP2023518529A priority patent/JP7552883B2/ja
Publication of WO2023079737A1 publication Critical patent/WO2023079737A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B3/00—Hearth-type furnaces, e.g. of reverberatory type; Tank furnaces
    • F27B3/10—Details, accessories, or equipment peculiar to hearth-type furnaces
    • F27B3/28—Arrangement of controlling, monitoring, alarm or the like devices
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B7/00—Heating by electric discharge
    • H05B7/02—Details
    • H05B7/144—Power supplies specially adapted for heating by electric discharge; Automatic control of power, e.g. by positioning of electrodes
    • H05B7/148—Automatic control of power
    • H05B7/152—Automatic control of power by electromechanical means for positioning of electrodes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Definitions

  • the present disclosure relates to arc furnace equipment that melts scrap using heat generated by arc discharge between steel billets (scrap) and electrodes.
  • the electric furnace supplies electricity to heat and melt the scrap inserted into the furnace.
  • Electric furnaces include a resistance furnace that heats scrap with Joule heat, an induction furnace that induces an electric current in scrap by electromagnetic induction and heats it with its own resistance heat, and an arc furnace that uses heat generated by arcs and electrodes.
  • electric arc furnaces have the advantages of being able to use cheap iron scrap as the main raw material, being able to operate and stop operations easily and having flexibility in facility operation, and being able to produce relatively large quantities with less investment than blast furnaces. .
  • Patent Literature 1 discloses that impedance constant control is performed to control the elevation position of an electrode in order to stably generate an arc.
  • the operator may raise and lower the electrode separately from automatic control.
  • the electrode may be moved far away from the scrap by some factor by the operator. For example, when the electrode and the scrap come close to each other and the current value exceeds the allowable range. If the electrode is not lifted even though the current value exceeds the allowable range, overcurrent will occur and a short circuit will occur between the electrode and the scrap. If a short circuit occurs, the circuit breaker is normally disconnected. Here, this phenomenon is called arc breakage.
  • the amount of scrap to be charged is determined by the operating conditions, but the state of scrap charging, such as the degree of coarseness and the unevenness of scrap at the time of charging, cannot be manipulated.
  • the lid is closed in order to maintain the temperature inside the furnace and prevent the molten metal from scattering to the surroundings. Therefore, the operator cannot grasp the state inside the furnace during melting.
  • Patent Document 2 discloses predicting the length of the electrode consumed by melting and appropriately capturing the distance between the scrap and the electrode. However, this only predicts the length of the electrode and cannot prevent shutdown due to unsteady factors such as scrap collapse.
  • Patent Document 3 discloses an operating method in which thermometers are installed at various places on the furnace wall and the state inside the furnace is grasped from the outer temperature of the furnace. According to this, it is possible to visualize the state inside the furnace from the melting point of the steel type of the scrap to be charged and the temperature of the entire furnace. However, the state of the scrap in the vicinity of the outer circumference of the furnace and the temperature history information of the melted scrap are only obtained, and the state of the scrap during melting cannot necessarily be grasped. Therefore, it is difficult to prevent stoppages due to non-stationary factors such as scrap collapse.
  • An object of the present disclosure is to provide an arc furnace facility capable of predicting the occurrence of circuit breaker disconnection (arc disconnection) caused by a short circuit due to the collapse of scrap during melting.
  • the first aspect relates to arc furnace installations.
  • the arc furnace equipment includes an arc furnace, a camera, and an information processing device.
  • the arc furnace melts the scrap using heat generated by arc discharge between the scrap and the electrodes.
  • the camera photographs the scrap put into the arc furnace.
  • the information processing device includes a memory and a processor.
  • the memory stores information including image data obtained from the camera at the time of inserting the scrap, actual control data regarding the electrode after the start of melting, and an arc break prediction model.
  • the processor processes the information stored in the memory.
  • the processor inputs the arrangement and density state of the scrap based on the image data and the control result data into the arc interruption prediction model, and predicts the occurrence of arc interruption due to a short circuit between the scrap and the electrode. It is configured to perform prediction processing to
  • the second aspect further has the following features in addition to the first aspect.
  • the placement and density of the scraps are based on the lightness index of each pixel of the image data.
  • the control performance data includes operation time-series data and operation attribute data.
  • the operation time-series data includes current values, voltage values, and lifting speed values relating to the electrodes at each sampling time.
  • the operation attribute data includes an input time and an input amount of the scrap.
  • the third aspect further has the following features in addition to the second aspect.
  • the memory stores learning data.
  • the learning data includes the image data, the operation time-series data, the operation attribute data, and an arc cut occurrence label regarding scraps that have been mined from the arc furnace in the past.
  • the arc breakage occurrence label indicates the occurrence of arc breakage associated with the sampling time at which the current value is higher than the short circuit correlation value for each sampling time of the operation time-series data.
  • the processor is configured to perform a learning process for constructing the arc break prediction model based on the learning data.
  • the fourth aspect further has the following features in addition to any one of the first to third aspects.
  • the camera takes three-dimensional images of the scrap that is put into the arc furnace.
  • the image data includes a brightness index and a height index for each pixel.
  • the arrangement and density of the scraps are based on the brightness index and height index of each pixel of the image data.
  • the fifth aspect further has the following features in addition to any one of the first to fourth aspects.
  • the processor is configured to perform a short-circuit prevention process of outputting a command to raise the electrode when the prediction process predicts that arc interruption will occur.
  • the arc furnace equipment obtains information on the placement and density of scraps at the time of scrap input from the image data acquired from the camera.
  • the arc furnace equipment can predict the occurrence of arc breakage from the information and the current control performance data after the start of melting. According to this, the arc furnace equipment can predict the occurrence of circuit breaker disconnection (arc disconnection) caused by a short circuit due to the collapse of scrap during melting.
  • FIG. 1 is a diagram for explaining a configuration example of an arc furnace facility according to Embodiment 1;
  • FIG. 4 is a diagram showing an imaging range of the scrap photographing camera according to Embodiment 1;
  • FIG. 2 is a block diagram illustrating an overview of functions of the arc breakage prediction device according to Embodiment 1;
  • FIG. 2 is a diagram showing an outline of operation time-series data and operation attribute data according to Embodiment 1;
  • FIG. 5 is a flowchart for explaining a procedure for acquiring scrap image data in a camera image acquisition unit according to Embodiment 1;
  • 4 is a diagram showing an example of scrap image data according to Embodiment 1;
  • FIG. 4 is a diagram showing an outline of saving brightness indexes of scrap image data according to Embodiment 1;
  • FIG. 4 is a flowchart for explaining a procedure for constructing an arc breakage prediction model in an arc breakage learning unit according to Embodiment 1;
  • FIG. 5 is a flow chart for explaining a procedure for assigning an arc break label in an arc break learning unit according to Embodiment 1;
  • FIG. 7 is a diagram for explaining a procedure for assigning an arc break label in an arc break learning unit according to Embodiment 1;
  • 4 is a diagram showing an overview of input values in Embodiment 1.
  • FIG. 4 is a flowchart for explaining an arc-out prediction procedure in an arc-out prediction unit according to Embodiment 1;
  • FIG. 10 is a diagram showing an outline of brightness indices and height indices of scrap image data according to Embodiment 2;
  • FIG. FIG. 11 is a block diagram illustrating an overview of functions of an arc breakage prediction device according to Embodiment 3; It is a conceptual diagram which shows the hardware structural example of the processing circuit which an arc interruption prediction apparatus has.
  • FIG. 1 is a diagram for explaining a configuration example of an arc furnace facility 1 according to a first embodiment.
  • the arc furnace melts steel billets (scrap 2) containing various alloys put into the furnace to form molten metal 3.
  • the arc furnace has a furnace main body 4 for storing the melted metal 3, a lid 5 for removing heat during melting and preventing the molten metal 3 from scattering to the surroundings, and the molten metal 3 being discharged. It has a tap hole 6 for
  • the refractory bricks are attached to the inner surfaces of the furnace body 4 and the lid 5.
  • a hole is provided in the lid 5 and an electrode 7 for generating an arc is inserted into the furnace body 4 .
  • the electrodes 7 are made of carbon and are provided in plurality.
  • the output device 10 includes, for example, a power supply and a circuit breaker.
  • the command values such as the current and voltage for obtaining the power to be supplied to the electrode 7 and the lifting speed for obtaining the lifting position of the electrode 7 are based on information such as the steel type of the scrap 2 and the amount of the scrap 2 input.
  • is set to Automatic operation is also possible based on these settings, but as described above, arc generation is unstable, so manual operation is usually added by the operator each time. This manual operation is mainly given to the lifting speed that changes the lifting position of the electrode 7 .
  • performance information during the actual melting operation may be taken into the control device 9 and used for feedback control and the like.
  • a melting number is set for each molten metal 3 produced in one charge from the initial introduction of scrap 2 to the discharge of molten metal 3, and is used for product management and quality control.
  • the arc furnace facility 1 further includes a camera (scrap photography camera 20) for photographing the interior of the furnace body 4, and an information processing device (arc interruption prediction device 30) for predicting arc interruption. .
  • FIG. 2 shows the imaging range of the scrap photography camera 20 .
  • the scrap camera 20 is desirably arranged directly above the furnace body 4 so that the entire inside of the furnace can be photographed as shown in FIG.
  • the scrap camera 20 preferably has a water cooling mechanism.
  • steam and gas generated by melting can rise directly above, it is desirable that the scrap photography camera 20 be placed at a distance from the furnace body 4 to the extent that it is not affected by the vapor or gas.
  • FIG. 3 is a block diagram illustrating an overview of the functions of the arc break prediction device 30 according to the first embodiment.
  • the configuration shown in FIG. 3 is an example, and is not limited to this.
  • the arc breakage predicting device 30 predicts arc breakage based on the charging state of the scrap 2 obtained each time the scrap 2 is charged and the operation data during melting, and outputs the result.
  • the operation data collection unit 31 collects control performance data.
  • the control performance data includes operation time-series data and operation attribute data.
  • the operation time-series data is information on the control output during melting.
  • the operation time-series data includes, for example, a flag signal indicating whether or not the setting and actual current value, actual voltage value, lifting speed reference value, and actual current value of each electrode 7 have reached the level of overcurrent. Further, the operation time-series data includes a flag signal indicating whether or not there was manual operation by the operator, an up/down speed command value, a flag signal for turning on/off the circuit breaker due to troubles such as arc interruption, and the like.
  • the operation time-series data is data at each sampling point (sampling time) obtained by acquiring these J signals at a constant sampling interval ⁇ t.
  • Operation attribute data is information that accompanies other melting operations.
  • the operation attribute data includes, for example, the time and amount of scrap 2 input, the consumption state of the electrode 7, the temperature in the furnace after melting, the steel type and composition of the scrap 2 input, the amount of elements input during composition adjustment, and so on.
  • Operation attribute data is information summarizing the melting situation.
  • the information collected by the operation data collection unit 31 is stored in the database 33 by linking the operation time-series data and operation attribute data with the melting number and the start time of each process, as shown in FIG.
  • the camera image acquisition unit 32 acquires image data (image data) obtained by photographing the throwing state of the scraps 2 (arrangement and density of the scraps 2) from the scrap photographing camera 20. FIG. After that, the camera image acquisition unit 32 generates scrap image data for use by the arc break learning unit 34 and the arc break prediction unit 35 .
  • FIG. 5 is a flowchart for explaining the procedure for generating scrap image data in the camera image acquisition unit 32.
  • step S ⁇ b>100 the camera image acquisition unit 32 determines whether or not it is time to put the scrap 2 into the furnace body 4 . If it is not the timing when the scrap 2 is put in, the camera image acquisition unit 32 waits for the timing of putting in the scrap.
  • the camera image acquisition unit 32 acquires image data (image data) at the time of throwing in the scrap from the scrap photographing camera 20 in step S110.
  • step S120 the camera image acquisition unit 32 grayscales the captured data.
  • grayscaling the brightness representing the coarseness and fineness of the scrap 2 at the time of introduction is obtained.
  • Examples of grayscaling methods include the following conversion methods.
  • img is a numerical array of the color space of the imaging data.
  • w is the number of pixels in the horizontal direction of the image.
  • h is the number of pixels in the vertical direction of the image.
  • I is a pixel value at a horizontal pixel position x and a vertical pixel unit y.
  • img_gray is a numeric array after grayscale.
  • I'(x, y) is the pixel value after grayscale at the pixel position x in the horizontal direction and the pixel position y in the vertical direction.
  • each coefficient for calculating I'(x, y) is based on ITU-R BT.601 (Studio encoding parameters of digital television for standard 4:3 and wide screen 16:9 aspect ratios (International Telecommunication Union), and may be based on other standards.
  • the grayscale image obtained by the above-described processing may be obtained from the average value at each pixel position (equation ( 5)).
  • N cap is the number of acquisitions of imaging data acquired before the lid 5 is closed after the scrap is thrown.
  • step S130 the camera image acquisition section 32 changes the number of pixels of the grayscale data.
  • the camera image acquisition unit 32 adjusts the number of pixels (the number of data) to a predetermined number of pixels (number of data) used by the arc break learning unit 34 and the arc break prediction unit 35, and scrap image data.
  • the Gaussian filter weights neighboring pixel values with a Gaussian distribution g to smooth the image (equation (6)).
  • img_resize is the numerical array of the smoothed image.
  • x is the horizontal pixel position of the smoothed image.
  • y is the vertical pixel position of the smoothed image.
  • ⁇ is the magnification.
  • the symbol [] is for rounding.
  • R is the smoothed pixel value (lightness index).
  • w' is the number of pixels in the horizontal direction of the smoothed image.
  • h' is the number of pixels in the vertical direction of the smoothed image.
  • FIG. 6 is a diagram showing an example of scrap image data.
  • step S140 the camera image acquisition unit 32 stores the scrap image data in the database 33.
  • Numerical arrays of scrap image data are stored in the database 33 as brightness indices.
  • the scrap image data is stored in association with the dissolution number and the photographing date and time, as shown in FIG.
  • the arc breakage learning unit 34 constructs an arc breakage prediction model based on the learning data and the evaluation data stored in the database 33 .
  • the learning data and the evaluation data include scrap image data, operation time-series data, operation attribute data, and arc break occurrence labels regarding the scrap 2 discharged from the arc furnace in the past.
  • the arc break occurrence label indicates the occurrence of arc break associated with the sampling time at which the current value is higher than the short circuit correlation value for each sampling time of the operation time-series data.
  • FIG. 8 is a flow chart for explaining the procedure for constructing an arc breakage prediction model in the arc breakage learning unit 34. As shown in FIG.
  • step S200 the arc break learning unit 34 determines whether or not the total number of melting numbers stored in the database 33, that is, the number of charges M charge is greater than the number of times M Learning required for model learning.
  • step S210 the arc break learning unit 34 acquires operation time series data, operation attribute data, and scrap image data from the database 33 based on the melting number and date/time.
  • M charge is less than or equal to M Learning , the amount of data used for learning the arc breakage prediction model is not sufficient, so the arc breakage learning unit 34 re-executes the process of step S200 after the current charge is completed. do.
  • step S220 the arc break learning unit 34 acquires an arc break label.
  • the procedure for assigning the arc break label in step S220 will be described.
  • FIG. 9 is a flow chart for explaining the sequence of assigning an arc break label in the arc break learning unit 34. As shown in FIG. The processing of FIG. 9 is executed for each operation time-series data stored in the database 33 .
  • the arc cut learning unit 34 acquires operation time-series data.
  • step S310 the arc break learning unit 34 determines whether or not the actual current value I Act(n) of the data at the sampling point n of the acquired operation time-series data is smaller than the predetermined current value I ARC . If I Act(n) is less than I ARC , the process of step S320 is performed.
  • step S320 the arc break learning unit 34 determines whether or not the circuit breaker ON/OFF signal SVCB(n) of the data at the sampling point n is off. If SVCB(n) is off, the process of step S330 is executed.
  • step S330 the arc cutoff learning unit 34 determines whether or not the signal SMAN(n) indicating whether or not there has been a manual operation by the operator is off. If SMAN (n) is off, the process of step S340 is executed. That is, when all the determination conditions of steps S310 to S330 are satisfied, the process of step S340 is executed.
  • step S340 the arc break learning section 34 obtains the number of sampling points ( n ⁇ N OC , n ⁇ N OC +1, n ⁇ N OC +2, . , n, n+1, . . . , n+ NOC- 2, n+ NOC -1, n+ NOC ).
  • the predetermined number of sampling points NOC at sampling point n is a predetermined number of points specifying a short range within the melting process of the operational time series data.
  • the arc interruption label is calculated by equation (8) based on the desired time T aim for predicting arc interruption and the sampling interval ⁇ t. is given at a sampling point that is traced back by the number of sampling points N aim . That is, the arc break learning unit 34 marks the arc break label L ARC(n-Naim) of the sampling point n-N aim .
  • the marked arc break label is called an arc break occurrence label.
  • the above-described method of assigning an arc-out label is just an example, and the arc-break label may be generated according to other conditions or procedures, or the operator may generate an arc-break label from some input terminal.
  • the arc break label is stored in the database 33 in association with the melting number and sampling point of the operation time series data.
  • step S220 the arc breakage label stored in the database 33 is obtained by the process of FIG. 9 described above.
  • step S230 the arc cut learning unit 34 determines whether or not the arc cut label total number N Label is greater than a predetermined number of arc cut occurrences N Label '.
  • the arc break label total number N Label is the total number of arc break occurrences at each sampling point of the operation time-series data for the charge number M charge .
  • the arc break learning unit 34 acquires learning data from the database 33 in step S240.
  • the learning data is a part of a set of scrap image data, operation time-series data, operation attribute data, and arc break label stored in the database 33 .
  • N Label is equal to or less than N Label ′, the amount of data used for learning the arc breakage prediction model is not sufficient, so the arc breakage learning unit 34 re-executes the process of step S210 after the current charge is completed. do.
  • step S250 the arc breakage learning unit 34 learns an arc breakage prediction model, which will be described later, using the acquired learning data.
  • step S ⁇ b>260 the arc cut learning unit 34 acquires evaluation data from the database 33 .
  • the evaluation data is a part of the data group consisting of sets of scrap image data, operation time-series data, operation attribute data, and arc break labels stored in the database 33, excluding the learning data.
  • step S270 the arc breakage learning unit 34 uses the evaluation data to evaluate an arc breakage prediction model, which will be described later.
  • step S280 the arc breakage learning unit 34 determines whether or not to apply the arc breakage prediction model. If the evaluation value is equal to or greater than the predetermined value, the arc break prediction model is stored in database 33 . On the other hand, if the evaluation value is less than the predetermined value, the accuracy of the learned arc breakage prediction model is not sufficient, and the arc breakage learning unit 34 re-executes the process of step S210 after the current charging ends.
  • step S290 the arc breakage learning unit 34 updates or saves the arc breakage prediction model. If there is already a learned arc breakage prediction model, the arc breakage learning unit 34 may update it or store it.
  • the arc break prediction model is stored in database 33 .
  • step S250 A more specific description will be given of the learning of the arc break prediction model in step S250 and the evaluation of the arc break prediction model in step S270.
  • the arc break prediction model can be represented by the following linear regression model as an example.
  • L pred is the arc cutoff prediction
  • I pred is the predicted current value
  • X is the explanatory variable (input value) of the prediction model
  • ⁇ is the coefficient
  • ⁇ is the disturbance term
  • NL is the total number of learning data
  • p is the explanatory variable.
  • the arc break prediction model is constructed by determining ⁇ and ⁇ so as to satisfy Expressions (10) and (11) using learning data. The arc break prediction model is then evaluated using evaluation data and equation (12). The arc break prediction model is desirably constructed such that the learning data and the evaluation data minimize Equation (12). where NV is the total number of data used for evaluation. In step S280 described above, an evaluation value based on equation (12) can be used.
  • a linear regression model is an example, and a non-linear model such as machine learning may be used to construct an arc break prediction model.
  • a classifier based on XGBoost Extreme Gradient Boosting
  • XGBoost Extreme Gradient Boosting
  • XGBoost obtains predicted values by ensemble the results of multiple parallelized decision trees.
  • the predicted value y pred i obtained for the input value X i is obtained by the following equation.
  • yi is the target value
  • l is the residual between the predicted value and the target value
  • ⁇ is the regularization term
  • ⁇ and ⁇ are the parameters.
  • a model that minimizes the loss function L( ⁇ ) is sought.
  • the predicted value y pred i is taken as the arc cutoff prediction L pred .
  • the predicted value y pred i may be taken as the predicted current value I pred , and the condition of equation (9) may be used to determine whether the arc is broken.
  • explanatory variables to be input to the arc breakage prediction model to output the arc breakage prediction L pred i at the sampling point i can be taken, for example, as follows.
  • Rw'h ' is the brightness index of the scrap image data
  • PK is the operation attribute data
  • N Buff is a short range score within the melting process as shown in FIG.
  • Operation time-series data corresponding to the date and time data linked to the lightness index Rw'h ' of the scrap image data and the operation attribute data PK are acquired. That is, when the arc break prediction model is a linear regression model, p (the number of explanatory variables) in Equation (10), for example, is expressed as follows.
  • the arc breakage prediction unit 35 inputs the arrangement and density state of the scraps 2 based on the scrap image data and the control result data into the arc breakage prediction model, and predicts the occurrence of arc breakage due to the short circuit between the scraps 2 and the electrode 7. Predict.
  • FIG. 12 is a flowchart for explaining the arc-out prediction procedure in the arc-out prediction unit 35.
  • step S400 the arc cutoff prediction unit 35 determines whether or not it is the timing at which the scrap 2 is introduced into the furnace body 4. If it is not the timing when the scrap 2 is input, the arc break prediction unit 35 waits for the timing of scrap input.
  • scrap image data is generated by the camera image acquisition unit 32 before the start of melting by the same processing as in FIG. 5 described above.
  • the arc cut prediction unit 35 acquires the latest scrap image data.
  • the scrap image data may be obtained directly from the camera image obtaining section 32 or may be obtained after being stored in the database 33 .
  • step S420 the arc cutoff prediction unit 35 determines whether or not melting has started. If the melting has not started, the arc cutoff predictor 35 waits for the start of melting.
  • the arc cutoff prediction unit 35 acquires operation time-series data and operation attribute data for the current charge.
  • the operational time-series data collected by the operational data collecting unit 31 may be obtained directly from the operational data collecting unit 31 every moment according to the sampling cycle, or may be obtained after being stored in the database 33.
  • step S440 the scrap image data, the operation time-series data, and the operation attribute data are used as input values, and arc breakage is predicted using an arc breakage prediction model.
  • the input value of the arc breakage prediction model is an explanatory variable (equation (15)) as in the model construction. Therefore, sampling points that are N Buff points back from the latest sampling point n Now are acquired as operation time-series data.
  • the input values (explanatory variables) of the arc breakage prediction model obtained here are input to the arc breakage prediction model stored in the database 33 to predict arc breakage.
  • step S450 the arc break prediction unit 35 outputs the arc break prediction result for the latest sampling point n Now .
  • arc break prediction results are stored in the database 33 .
  • the arc breakage forecast output unit 36 issues an arc breakage occurrence forecast by video, sound, vibration, or the like.
  • the operator who received the notification can carry out an operation to raise the electrode 7 so as to avoid arc breakage. As a result, shutdown time due to circuit breaker trips can be reduced.
  • the arc cutoff prediction unit 35 determines whether or not the melting has ended. If the melting has not ended, the arc break prediction unit 35 returns to the process of step S430 again and predicts arc break based on the latest control performance data.
  • the arc interruption predicting device 30 it is possible to predict the occurrence of circuit breaker disconnection (arc interruption) caused by a short circuit due to the collapse of scrap during melting. Further, by issuing an arc breakage forecast, the operator can raise the electrode 7 so as to prevent a short circuit due to contact between the scrap 2 and the electrode 7 . Therefore, stoppage of operation due to circuit breaker tripping can be avoided.
  • the arc breakage prediction unit 35 predicts the occurrence of arc breakage using the arc breakage prediction model built in the arc breakage learning unit 34. .
  • the arc cut-out prediction unit 35 may use that prediction model to predict the occurrence of arc cut-out. This point also applies to the following embodiments.
  • the arc breakage forecast output unit 36 is arranged outside the arc breakage prediction device 30 , but it may be included in the arc breakage prediction device 30 .
  • Embodiment 2 of the present disclosure will be described with reference to FIG. A description that overlaps with the above embodiment will be omitted.
  • the height of the pixel is used in addition to the brightness of the pixel as an index indicating the state of insertion of the scrap 2.
  • the arrangement and density of the scraps 2 are represented based on the brightness index and height index of each pixel of the scrap image data.
  • the scrap photographing camera 20 according to Embodiment 2 can photograph an object in three dimensions.
  • the arrangement of the scrap photography camera 20 is the same as in the first embodiment described above.
  • the imaging data of the scrap photographing camera 20 includes information on the height at the time of throwing in the scrap.
  • Types of cameras that can shoot in 3D include, for example, the stereo camera system, the ToF (Time of Flight) system, and the projector system.
  • the stereo camera method a plurality of cameras are used, and the distance between the object and the stereo cameras is derived from the respective installation intervals, focal lengths, and imaging differences (parallax).
  • the ToF method the distance between the object and the camera is derived from the reflection speed of the pulsed light or continuous light emitted from the camera.
  • the height difference of the object is derived from the distortion of the striped pattern projected onto the object.
  • the three-dimensional imaging method shown here is for explaining the principle, and either method may be used. Also, a system not shown here may be used as long as it is capable of three-dimensional imaging. If there is information about the structure of the furnace main body 4 and the place where the scrap photographing camera 20 is installed, the scrap 2 in the furnace can be detected based on the information on the height of the three-dimensional camera after the scrap is inserted and the height difference between the scrap 2. height information can be obtained.
  • the brightness numerical array img_resize according to the scrap loading state and the height numerical array img_height of the scrap loading state can be obtained, for example, as follows.
  • H is the height numerical value (height index) in the number of pixels in the horizontal direction w' and the number of pixels in the vertical direction h'.
  • the camera image acquisition unit 32 stores scrap image data including these pieces of information in the database 33 in the format shown in FIG. 13, as in the first embodiment.
  • an arc breakage prediction model is constructed in the same manner as in Embodiment 1, and the arc breakage is predicted using the prediction model.
  • the input values (explanatory variables) used for the construction of the arc break prediction model and the prediction are configured as follows.
  • the information including the brightness index and the height index is used as the explanatory variable of the arc interruption prediction model.
  • the height index By adding the height index, occurrence of arc interruption can be predicted with higher accuracy than in the first embodiment.
  • Embodiment 3 Next, Embodiment 3 will be described with reference to FIG. A description that overlaps with the above embodiment will be omitted.
  • Embodiment 3 is characterized by having a short-circuit prevention output section 37 in addition to an arc interruption forecast output section 36 that issues an arc interruption forecast when arc interruption is predicted to occur.
  • the short-circuit prevention output unit 37 automatically raises and lowers the electrode when it is predicted that an arc breakage will occur, thereby preventing disconnection of the circuit breaker caused by a short circuit due to contact between the scrap and the electrode.
  • Embodiment 3 may be either Embodiment 1 or Embodiment 2.
  • FIG. 3 When the arc interruption prediction L pred becomes 1 in the arc interruption prediction section 35 , the short circuit prevention output section 37 outputs a command value for raising the electrode 7 .
  • the command value is output to the control device 9 to raise the electrode 7 to a predetermined avoidance height. Therefore, disconnection of the circuit breaker can be prevented without waiting for operation by the operator.
  • the short-circuit prevention output unit 37 is arranged outside the arc interruption prediction device 30 in FIG. 14, it may be included in the arc interruption prediction device 30.
  • FIG. 15 is a conceptual diagram showing a hardware configuration example of a processing circuit included in the arc interruption prediction device 30 according to each of the above-described embodiments. 3 and 14 show part of the functions in the arc interruption predicting device 30, and each function is realized by a processing circuit.
  • the processing circuitry comprises at least one processor 91 and at least one memory 92 .
  • the processing circuitry comprises at least one piece of dedicated hardware 93 .
  • each function is implemented by software, firmware, or a combination of software and firmware. At least one of software and firmware is written as a program. At least one of software and firmware is stored in memory 92 .
  • the processor 91 implements each function by reading and executing programs and various data stored in the memory 92 .
  • Memory 92 includes a main memory and an auxiliary memory. The memory 92 stores various data saved in the database 33 .
  • the processing circuit may be, for example, a single circuit, multiple circuits, a programmed processor, or a combination thereof. Each function is realized by a processing circuit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • Vertical, Hearth, Or Arc Furnaces (AREA)

Abstract

アーク炉設備は、アーク炉と、カメラと、情報処理装置とを備える。アーク炉は、スクラップと電極との間のアーク放電により発生した熱を利用して前記スクラップを溶解する。カメラは、アーク炉内に投入されたスクラップを撮影する。情報処理装置は、カメラから取得した画像データに基づくスクラップの配置および粗密状態と、電極に関する溶解開始後の制御実績データとを、アーク切れ予測モデルに入力して、溶解中のスクラップの崩落によるスクラップと電極との短絡によるアーク切れの発生を予測する。

Description

アーク炉設備
　本開示は、鋼片（スクラップ）と電極間のアーク放電により発生した熱を利用してスクラップを溶解するアーク炉設備に関する。
　電気炉は、炉内に挿入されたスクラップを、電力を供給して加熱し、溶解させる。電気炉には、ジュール熱によりスクラップを加熱する抵抗炉や、電磁誘導作用によりスクラップに電流を誘起し、それ自身の抵抗発熱で加熱する誘導炉、アークならびに電極に発生する熱を利用するアーク炉がある。
　特にアーク炉は、安価な鉄屑を主原料として利用できる、容易に稼働・休止ができ設備稼働に柔軟性がある、高炉に比べて少ない投資額で比較的大量生産ができる、という利点がある。
　アーク炉は、スクラップと電極の間、または電極間にアークを発生させ、その熱によりスクラップを溶解する。電極に供給される電力と、電極とスクラップ間の距離とを操作することで、アークを発生させることができる。特許文献１には、アークを安定的に発生させるために、インピーダンス一定制御を行い、電極の昇降位置を制御することが開示されている。
　スクラップの投入から溶解されたスクラップ（溶湯）を排出するまでには、通常、２
～３回のスクラップの追加投入と、その後に成分調整などの工程を経る。この一連の動作をチャージと呼ぶ。スクラップの追加投入では、アーク炉の操業者が、経験則に基づいて炉内状況を想像しながら、予め決められたタイミングで、予め決められた量のスクラップを投入している。
　また、アークを安定的に発生させるために、自動制御とは別に、操業者により電極の昇降がなされることもある。溶解の操業中に、何らかの要因により操業者によって電極がスクラップから大きく離されることがある。例えば、電極とスクラップが近接してしまい、電流値が許容範囲を超えた場合などである。電流値が許容範囲を超えても電極の上昇操作がなされなかった場合、過電流となり、電極とスクラップ間で短絡が生じてしまう。短絡が発生した場合、通常は遮断機が切断される。ここでは、この現象を、アーク切れとよぶ。
　いったん遮断機が切断されると、その復旧に時間がかかるため、操業停止となり、生産量が低下してしまう。操業者は、これを防ぐため、経験則に基づいて電極を昇降操作している。
日本特開２００６―８５９３６号公報 日本特開２０１８―２８４２１号公報 日本特開２００８―１１６０６６号公報
　電流値が許容範囲を超える要因の一つに、投入されたスクラップの投入状態が不明確であること挙げられる。スクラップの投入量は、操業条件から決定されるが、粗密具合や、投入されたときのスクラップの偏りなどのスクラップ投入状態は、操作できない。また、スクラップ投入後は、炉内部温度の保持や周辺への溶湯の飛散防止のために蓋が閉じられる。そのため、操業者は溶解中の炉内部の状態を把握することはできない。
　スクラップの投入状態によっては、溶解中にスクラップの一部が崩落し、電極に接触することがある。この場合、予期しない短絡によりアーク切れが発生するため、現状では予防する術がない。このように、スクラップの投入状態や、溶解中の炉内部の状態を把握、または、スクラップの崩落のような非定常な現象の発生を予測、回避する方法が求められている。
　炉内部の状態を把握する方法として、例えば、特許文献２には、溶解により消費される電極の長さを予測して、スクラップと電極の間の距離を適切に捉えることが開示されている。しかし、これは電極の長さを予測するものにすぎず、スクラップの崩落のような非定常な要因による操業停止は防ぐことができない。
　また、炉内部の状態を把握する方法として、例えば、特許文献３には、炉壁各所に温度計を設置し、炉外周温度から炉内部状態を把握する操業方法が開示されている。これによれば、投入されるスクラップの鋼種の融点と炉全体の温度から炉内部の状態を可視化することが可能である。しかしながら、炉外周近傍のスクラップの状態と、溶融したスクラップの温度履歴情報を得るのみで、必ずしも、溶解中のスクラップの状態が把握できるわけではない。そのため、スクラップの崩落のような非定常な要因による操業停止の予防は難しい。
　本開示は、上述のような課題を解決するためになされた。本開示は、溶解中のスクラップの崩落による短絡を起因とした遮断機の切断（アーク切れ）の発生を予測することのできるアーク炉設備を提供することを目的とする。
　第１の観点は、アーク炉設備に関連する。
　アーク炉設備は、アーク炉と、カメラと、情報処理装置とを備える。
　前記アーク炉は、スクラップと電極との間のアーク放電により発生した熱を利用して前記スクラップを溶解する。
　前記カメラは、前記アーク炉内に投入された前記スクラップを撮影する。
　前記情報処理装置は、メモリと、プロセッサとを備える。
　前記メモリは、前記カメラから取得したスクラップ投入時の画像データと、前記電極に関する溶解開始後の制御実績データと、アーク切れ予測モデルとを含む情報を格納する。
　前記プロセッサは、前記メモリに格納された前記情報を処理する。
　前記プロセッサは、前記画像データに基づく前記スクラップの配置および粗密状態と、前記制御実績データとを、前記アーク切れ予測モデルに入力して、前記スクラップと前記電極との短絡によるアーク切れの発生を予測する予測処理を行うように構成されている。
　第２の観点は、第１の観点に加えて、次の特徴を更に有する。
　前記スクラップの配置および粗密状態は、前記画像データの各画素の明度指標に基づく。
　前記制御実績データは、操業時系列データと操業属性データとを含む。
　前記操業時系列データは、各サンプリング時刻における前記電極に関する電流値と電圧値と昇降速度値とを含む。
　前記操業属性データは、前記スクラップの投入時刻と投入量とを含む。
　第３の観点は、第２の観点に加えて、次の特徴を更に有する。
　前記メモリは、学習用データを格納する。
　前記学習用データは、前記アーク炉から過去に出鉱されたスクラップに関する、前記画像データと、前記操業時系列データと、前記操業属性データと、アーク切れ発生ラベルとを含む。前記アーク切れ発生ラベルは、前記操業時系列データの各サンプリング時刻について電流値が短絡相関値よりも高いサンプリング時刻に関連付けられたアーク切れの発生を示す。
　前記プロセッサは、前記学習用データに基づいて、前記アーク切れ予測モデルを構築する学習処理を行うように構成されている。
　第４の観点は、第１乃至第３の観点のいずれかに加えて、次の特徴を更に有する。
　前記カメラは、前記アーク炉内に投入された前記スクラップを３次元で撮影する。
　前記画像データは、各画素について明度指標および高さ指標を含む。
　前記スクラップの配置および粗密状態は、前記画像データの各画素の明度指標および高さ指標に基づく。
　第５の観点は、第１乃至第４の観点のいずれかに加えて、次の特徴を更に有する。
　前記プロセッサは、前記予測処理によりアーク切れが発生すると予測された場合に、前記電極の上昇指令を出力する短絡予防処理を行うように構成されている。
　本開示によれば、アーク炉設備は、カメラから取得した画像データからスクラップ投入時のスクラップの配置および粗密状態の情報を得る。アーク炉設備は、溶解開始後に当該情報と現在の制御実績データとからアーク切れの発生を予測できる。これによれば、アーク炉設備は、溶解中のスクラップの崩落による短絡を起因とした遮断機の切断（アーク切れ）の発生を予測することができる。
実施の形態１に係るアーク炉設備の構成例を説明するための図である。 実施の形態１に係るスクラップ撮影カメラの撮像範囲を示す図である。 実施の形態１に係るアーク切れ予測装置が有する機能の概要を例示するブロック図である。 実施の形態１に係る操業時系列データおよび操業属性データの概要を示す図である。 実施の形態１に係るカメラ画像取得部におけるスクラップ画像データの取得手順について説明するためのフローチャートである。 実施の形態１に係るスクラップ画像データの一例を示す図である。 実施の形態１に係るスクラップ画像データの明度指標の保存の概要を示す図である。 実施の形態１に係るアーク切れ学習部におけるアーク切れ予測モデルの構築手順について説明するためのフローチャートである。 実施の形態１に係るアーク切れ学習部におけるアーク切れラベルの付与手順について説明するためのフローチャートである。 実施の形態１に係るアーク切れ学習部におけるアーク切れラベルの付与手順について説明するための図である。 実施の形態１における入力値の概要を示す図である。 実施の形態１に係るアーク切れ予測部におけるアーク切れ予測手順について説明するためのフローチャートである。 実施の形態２におけるスクラップ画像データの明度指標および高さ指標の概要を示す図である。 実施の形態３に係るアーク切れ予測装置が有する機能の概要を例示するブロック図である。 アーク切れ予測装置が有する処理回路のハードウェア構成例を示す概念図である。
　以下、図面を参照して本開示の実施の形態について詳細に説明する。尚、各図において共通する要素には、同一の符号を付して重複する説明を省略する。
実施の形態１．
１．アーク炉
　図１は、実施の形態１に係るアーク炉設備１の構成例を説明するための図である。
　アーク炉は、炉内に投入した様々な合金を含む鋼片（スクラップ２）を溶解して溶湯３を形成する。アーク炉は、スクラップ２を投入し、溶解した溶湯３を貯留する炉本体４と、溶解時の抜熱や周辺への溶湯３の飛散を防止するための蓋体５と、溶湯３を排出するためのタップ孔６を備える。
　溶解時の炉内は鋼片（スクラップ２）を溶かすほどの高温のため、炉本体４や蓋体５の内面には、耐火レンガが貼り付けられている。蓋体５には穴が設けられ、アークを発生させるための電極７が炉本体４内部へ挿入される。一般的に、電極７は、炭素で形成され、複数設けられている。
　これらの電極７に電力が供給され、電極７と、内部に投入されたスクラップ２との間でアークを発生させ、その熱でスクラップ２を溶解させて溶湯３を得る。電極７は、スクラップ２との間でアークを発生させるために適切な距離をとるため、電極昇降装置８により、昇降操作される。電極７に供給される電力や、電極７の昇降位置は、制御装置９により制御される。出力装置１０は、例えば電源および遮断器を含む。
　このとき、電極７に供給する電力を得るための電流や電圧、電極７の昇降位置を得るための昇降速度などの、指令値は、スクラップ２の鋼種やスクラップ２の投入量といった情報をもとに設定される。これらの設定を基に自動操業も可能であるが、上記の通り、アークの発生は不安定であるため、通常は、操業者により都度、手動操作が加わる。この手動操作は、主に、電極７の昇降位置を変更する昇降速度に与えられる。
　また、実際に溶解操業しているときの実績情報は、制御装置９に取り込まれ、フィードバック制御などに用いられることもある。
　スクラップ２の初期投入から溶解された溶湯３を排出するまでの１つのチャージで製造される溶湯３ごとに、溶解番号が設定され、製品管理、品質管理に用いられる。
　本実施形態に係るアーク炉設備１は、さらに、炉本体４の内部を撮影するためのカメラ（スクラップ撮影カメラ２０）と、アーク切れを予測する情報処理装置（アーク切れ予測装置３０）とを備える。
２．スクラップ撮影カメラ
　スクラップ撮影カメラ２０は、スクラップ２の投入毎に、スクラップ２の投入状態を撮影する。スクラップ撮影カメラ２０の撮像範囲を、図２に示す。スクラップ撮影カメラ２０は、図２に示すように炉内すべてを撮影できるように、炉本体４の直上に配置されることが望ましい。溶解中は炉本体４の内部が高温となり、その輻射熱が外部にも伝わるため、スクラップ撮影カメラ２０は、水冷機構を備えることが望ましい。さらに、溶解により発生する蒸気やガスは直上へ立ち込めるため、スクラップ撮影カメラ２０は、その影響を受けない程度に炉本体４から距離を空けて配置されることが望ましい。
　また、スクラップ２の投入状態を撮影するにあたり、コントラストや明るさ、露出などを調整して、スクラップ２を適切に視認できるようにしておくことが望ましい。これらの調整は、スクラップ撮影カメラ２０にて処理されてもよいし、後述するカメラ画像取得部３２にて処理されてもよい。
３．アーク切れ予測装置
　図３は、実施の形態１に係るアーク切れ予測装置３０が有する機能の概要を例示するブロック図である。図３に示す構成は一例であり、これに限定されるものではない。アーク切れ予測装置３０は、スクラップ２の投入毎に得られるスクラップ２の投入状態と、溶解時の操業のデータから、アーク切れを予測して、その結果を出力する。
（操業データ収集部）
　操業データ収集部３１は、制御実績データを収集する。制御実績データは、操業時系列データと操業属性データを含む。
　操業時系列データは、溶解時の制御出力の情報である。操業時系列データは、例えば、各電極７の、設定および実績電流値、実績電圧値、昇降速度基準値、実績電流値が過電流の水準に達したか否かを表すフラグ信号を含む。さらに操業時系列データは、操業者による手動操作があったか否かを表すフラグ信号、またその昇降速度指令値、アーク切れ発生などのトラブル発生に伴う遮断機の入切のフラグ信号、などを含む。操業時系列データは、これらＪ個の信号を一定のサンプリング間隔Δｔで取得した各サンプリング点（サンプリング時刻）のデータである。
　操業属性データは、その他の溶解の操業に付随する情報である。操業属性データは、例えば、スクラップ２の投入時刻と投入量、電極７の消耗状態、溶解後の炉内温度、投入されたスクラップ２の鋼種、組成の他、成分調整時に投入した元素の量、などを含む。操業属性データは、溶解の状況を総括した情報である。
　操業データ収集部３１で収集した情報は、例えば、図４に示すように、操業時系列データおよび操業属性データを、溶解番号や各工程の開始時刻により紐づけて、データベース３３へ格納される。
（カメラ画像取得部）
　カメラ画像取得部３２は、スクラップ撮影カメラ２０から、スクラップ２の投入状態（スクラップ２の配置および粗密状態）を撮影した画像データ（撮像データ）を取得する。その後、カメラ画像取得部３２は、アーク切れ学習部３４およびアーク切れ予測部３５で使用するためのスクラップ画像データを生成する。
　図５は、カメラ画像取得部３２におけるスクラップ画像データの生成手順について説明するためのフローチャートである。
　ステップＳ１００において、カメラ画像取得部３２は、炉本体４にスクラップ２が投入されたタイミングであるか否かを判定する。スクラップ２が投入されたタイミングでない場合は、カメラ画像取得部３２はスクラップ投入タイミングを待つ。
　一方、スクラップ２が投入されたタイミングである場合は、ステップＳ１１０において、カメラ画像取得部３２は、スクラップ撮影カメラ２０からスクラップ投入時の画像データ（撮像データ）取得する。
　ステップＳ１２０において、カメラ画像取得部３２は、撮像データをグレースケール化する。グレースケール化により、スクラップ２の投入時の粗密の状態を表す明度を得る。グレースケール化の方法として、例えば、以下のような変換方法がある。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　ここで、ｉｍｇは、撮像データの色空間の数値配列である。ｗは、画像の横方向の画素数である。ｈは、画像の縦方向の画素数である。Ｉは、横方向画素位置ｘ、縦方向画素装置ｙにおける画素値である。ｉｍｇ＿ｇｒａｙは、グレースケール後の数値配列である。Ｉ’（ｘ，ｙ）は、横方向画素位置ｘ、縦方向画素位置ｙにおけるグレースケール後の画素値である。
　一例として、Ｉ（ｘ，ｙ）の色空間をＲＧＢ空間にて記述しているが、この限りではない。また、Ｉ’（ｘ，ｙ）を算出するための各係数は、アナログ信号とデジタル信号の変換に係る国際規格であるITU-R BT.601（Studio encoding parameters of digital television for standard 4:3 and wide screen 16:9 aspect ratios　International Telecommunication Union）にて定められたものであり、他の規格に依ってもよい。
　設備環境によっては、スクラップ２が常に視認できるとは限らない。そのため、スクラップ投入後、蓋体５を閉じる前に、複数回撮像データを得た後に、上述の処理にて得たグレースケール画像を、各画素位置での平均値から得てもよい（式（５））。
Figure JPOXMLDOC01-appb-M000005
　ここで、Ｎｃａｐは、スクラップ投入後、蓋体５を閉じる前に取得した撮像データの取得数である。
　次にステップＳ１３０において、カメラ画像取得部３２は、グレースケールデータの画素数を変更する。
　カメラ画像取得部３２は、グレースケール化された画像を、平滑化した後に、アーク切れ学習部３４およびアーク切れ予測部３５にて利用する所定の画素数（データ数）へ調整し、スクラップ画像データを得る。例えば、ガウシアンフィルタは、ガウス分布ｇにより近傍画素値に重みづけをして、画像を平滑化する（式（６））。
Figure JPOXMLDOC01-appb-M000006
　これは、一例であって、平均値フィルタリングやメディアンフィルタリングによる平滑化も可能である。平滑化した画像に対して画素数を調整する。以下の手順で画素数を調整できる（式（７））。
Figure JPOXMLDOC01-appb-M000007
　ここで、ｉｍｇ＿ｒｅｓｉｚｅは、平滑化された画像の数値配列である。ｘは、平滑化された画像の横方向画素位置である。ｙは、平滑化された画像の縦方向画素位置である。αは、倍率である。記号［］は、四捨五入である。Ｒは、平滑化された画素数値（明度指標）である。ｗ’は、平滑化された画像の横方向画素数である。ｈ’は、平滑化された画像の縦方向画素数である。
　スクラップ２の投入状態を示す指標として画素の明度が用いられる。スクラップ２の配置および粗密状態は、スクラップ画像データの各画素の明度指標に基づいて表される。図６は、スクラップ画像データの一例を示す図である。
　ステップＳ１４０において、カメラ画像取得部３２は、スクラップ画像データをデータベース３３に格納する。スクラップ画像データの数値配列は、明度指標として、データベース３３に格納される。スクラップ画像データは、図７のように、溶解番号および撮影日時に紐づけて保存される。
（アーク切れ学習部）
　次にアーク切れ学習部３４について説明する。
　アーク切れ学習部３４は、データベース３３へ格納された学習用データおよび評価用データに基づいて、アーク切れ予測モデルを構築する。学習用データおよび評価用データは、アーク炉から過去に出鉱されたスクラップ２に関する、スクラップ画像データと、操業時系列データと、操業属性データと、アーク切れ発生ラベルとを含む。アーク切れ発生ラベルは、操業時系列データの各サンプリング時刻について電流値が短絡相関値よりも高いサンプリング時刻に関連付けられたアーク切れの発生を示す。図８を参照してアーク切れ予測モデルの構築手順について説明する。
　図８は、アーク切れ学習部３４におけるアーク切れ予測モデルの構築手順について説明するためのフローチャートである。
　ステップＳ２００において、アーク切れ学習部３４は、データベース３３へ格納された溶解番号の総数、つまり、チャージ数Ｍｃｈａｒｇｅが、モデル学習に必要な回数ＭＬｅａｒｎｉｎｇより多いか否かを判定する。
　ＭｃｈａｒｇｅがＭＬｅａｒｎｉｎｇより多い場合、ステップＳ２１０において、アーク切れ学習部３４は、溶解番号や日時に基づいてデータベース３３から、操業時系列データ、操業属性データ、スクラップ画像データを取得する。一方、ＭｃｈａｒｇｅがＭＬｅａｒｎｉｎｇ以下である場合、アーク切れ予測モデルの学習に使用するデータ数が十分ではないため、アーク切れ学習部３４は、現在のチャージが終了した後にステップＳ２００の処理を再実行する。
　ステップＳ２２０において、アーク切れ学習部３４は、アーク切れラベルを取得する。ここで、図９を参照し、ステップＳ２２０におけるアーク切れラベルの付与手順について説明する。図９は、アーク切れ学習部３４におけるアーク切れラベルの付与手順について説明するためのフローチャートである。図９の処理は、データベース３３に記憶された操業時系列データ毎に実行される。
　図９のステップＳ３００において、アーク切れ学習部３４は、操業時系列データを取得する。
　ステップＳ３１０において、アーク切れ学習部３４は、取得した操業時系列データのサンプリング点ｎにおけるデータの、実績電流値ＩＡｃｔ（ｎ）が所定の電流値ＩＡＲＣよりも小さいか否かを判定する。ＩＡｃｔ（ｎ）がＩＡＲＣよりも小さい場合はステップＳ３２０の処理が実行される。
　ステップＳ３２０において、アーク切れ学習部３４は、サンプリング点ｎにおけるデータの遮断機の入切信号ＳＶＣＢ（ｎ）がオフであるか否かを判定する。ＳＶＣＢ（ｎ）がオフである場合はステップＳ３３０の処理が実行される。
　ステップＳ３３０において、アーク切れ学習部３４は、操業者による手動操作があったか否かを表す信号ＳＭＡＮ（ｎ）がオフであるか否かを判定する。ＳＭＡＮ（ｎ）がオフである場合はステップＳ３４０の処理が実行される。すなわち、ステップＳ３１０～ステップＳ３３０のすべての判定条件が成立する場合は、ステップＳ３４０の処理が実行される。
　ステップＳ３４０において、アーク切れ学習部３４は、サンプリング点ｎから所定のサンプリング点数ＮＯＣだけ前後したサンプリング点数分（ｎ－ＮＯＣ，ｎ－ＮＯＣ＋１，ｎ－ＮＯＣ＋２，…，ｎ－１，ｎ，ｎ＋１，…，ｎ＋ＮＯＣ－２，ｎ＋ＮＯＣ－１，ｎ＋ＮＯＣ）の操業時系列データを取得する。
　ステップＳ３５０において、アーク切れ学習部３４は、ステップＳ３４０で取得した操業時系列データにおいて実績電流値が過電流（短絡相関値）の水準に達したか否かを表す信号ＳＯｖｅｒｃｕｒｒｅｎｔがオンとなっている時刻があるか否かを判定する。ＳＯｖｅｒｃｕｒｒｅｎｔがオンとなっている時刻がある場合、アーク切れ学習部３４は、アーク切れラベルＬＡＲＣにマークをする（ＬＡＲＣ＝１）。
　サンプリング点ｎにおける所定のサンプリング点数ＮＯＣは、操業時系列データの溶解工程内の短い範囲を指定する、あらかじめ決めた点数である。そして、このとき、アーク切れが発生する前にこの予兆を捉える必要があるので、アーク切れラベルは、アーク切れを予測する所望の時刻Ｔａｉｍとサンプリング間隔Δｔを元に式（８）で算出されるサンプリング点数Ｎａｉｍ分だけ遡ったサンプリング点にて付与される。つまり、アーク切れ学習部３４は、サンプリング点ｎ－Ｎａｉｍのアーク切れラベルＬＡＲＣ（ｎ－Ｎａｉｍ）にマークをする。
Figure JPOXMLDOC01-appb-M000008
　すなわち、ステップＳ３１０～ステップＳ３５０のすべての判定条件を満たす場合、ステップＳ３６０において、アーク切れ学習部３４は、アーク切れラベルＬＡＲＣ（ｎ－Ｎａｉｍ）にマークをする（ＬＡＲＣ（ｎ－Ｎａｉｍ）＝１）。マークされたアーク切れラベルをアーク切れ発生ラベルとよぶ。一方、ステップＳ３１０～ステップＳ３５０のいずれかの判定条件を満たさない場合、ステップＳ３７０において、アーク切れ学習部３４は、アーク切れラベルＬＡＲＣ（ｎ－Ｎａｉｍ）にマークをしない（ＬＡＲＣ（ｎ－Ｎａｉｍ）＝０）。
　上述したアーク切れラベルの付与の方法は、一例であって、他の条件や手順によってアーク切れラベルを生成してもよいし、操業者が何らかの入力端末からアーク切れラベルを生成してもよい。アーク切れラベルは、操業時系列データの溶解番号とサンプリング点とに関連付けられて、データベース３３に格納される。
　図８に戻りアーク切れ予測モデルの構築手順について説明を続ける。
　ステップＳ２２０において、上述した図９の処理によりデータベース３３に格納されたアーク切れラベルが取得される。
　ステップＳ２３０において、アーク切れ学習部３４は、アーク切れラベル総数ＮＬａｂｅｌが、所定のアーク切れ発生回数ＮＬａｂｅｌ’より多いか否かを判定する。アーク切れラベル総数ＮＬａｂｅｌは、チャージ数Ｍｃｈａｒｇｅ分の操業時系列データの各サンプリング点においてアーク切れが発生した総数である。
　ＮＬａｂｅｌがＮＬａｂｅｌ’より多い場合、ステップＳ２４０において、アーク切れ学習部３４は、データベース３３から学習用データを取得する。学習用データは、データベース３３に格納された、スクラップ画像データと操業時系列データと操業属性データとアーク切れラベルの組の一部である。一方、ＮＬａｂｅｌがＮＬａｂｅｌ’以下の場合、アーク切れ予測モデルの学習に使用するデータ数が十分ではないため、アーク切れ学習部３４は、現在のチャージが終了した後にステップＳ２１０の処理を再実行する。
　ステップＳ２５０において、アーク切れ学習部３４は、取得した学習用データを用いて後述するアーク切れ予測モデルを学習する。
　ステップＳ２６０において、アーク切れ学習部３４は、データベース３３から評価用データを取得する。評価用データは、データベース３３に格納された、スクラップ画像データと操業時系列データと操業属性データとアーク切れラベルの組からなるデータ群のうち、学習用データを除いた一部である。
　ステップＳ２７０において、アーク切れ学習部３４は、評価用データを用いて後述するアーク切れ予測モデルを評価する。
　ステップＳ２８０において、アーク切れ学習部３４は、アーク切れ予測モデルを適用するか否かを判定する。評価値が所定値以上である場合、アーク切れ予測モデルはデータベース３３へ保存される。一方、評価値が所定値未満である場合、学習したアーク切れ予測モデルの精度が十分ではないため、アーク切れ学習部３４は、現在のチャージが終了した後にステップＳ２１０の処理を再実行する。
　ステップＳ２９０において、アーク切れ学習部３４は、アーク切れ予測モデルを更新または保存する。既に学習済みのアーク切れ予測モデルがある場合、アーク切れ学習部３４は、これを更新してもよいしそれぞれ保存してもよい。アーク切れ予測モデルは、データベース３３に格納される。
　上述したステップＳ２５０におけるアーク切れ予測モデルの学習と、ステップＳ２７０におけるアーク切れ予測モデルの評価について、より具体的に説明する。
　アーク切れ予測モデルは、一例として次のような線形回帰モデルで表すことができる。
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-I000011
Figure JPOXMLDOC01-appb-M000012
Figure JPOXMLDOC01-appb-M000013
　ここで、Ｌｐｒｅｄはアーク切れ予測、Ｉｐｒｅｄは予測電流値、Ｘは予測モデルの説明変数（入力値）、βは係数、εは擾乱項、ＮＬは学習用データ総数、ｐは説明変数の個数である。式（９）において、サンプリング点ｉにおけるアーク切れ予測Ｌｐｒｅｄ　ｉ＝１であることは、式（８）に示すサンプリング点数Ｎａｉｍ経過後の時刻ｉ＋Ｎａｉｍにおいてアーク切れが発生することを予測している。
　アーク切れ予測モデルは、学習用データを用いて式（１０）および式（１１）を満たすように、β、εを決定することで構築される。その後、アーク切れ予測モデルは、評価用データおよび式（１２）を用いて評価される。アーク切れ予測モデルは、学習用データおよび評価用データにて式（１２）が最小となるように構築されることが望ましい。ここで、ＮＶは評価に使用するデータ総数である。上述したステップＳ２８０では、式（１２）に基づく評価値を用いることができる。
　線形回帰モデルは一例であり、機械学習のような非線形モデルを用いてアーク切れ予測モデルを構築してもよい。例えば、アーク切れモデルとして、決定木によるアンサンブル学習モデルである、XGBoost（Extreme Gradient Boosting）による分類器や、同様の、Random Forestなどを適用してもよい。ここでは、一例として、XGBoostの概念を以下に示す。XGBoostでは、並列化された複数の決定木の結果をアンサンブルすることで予測値を得る。入力値Ｘｉに対して得られる予測値ｙｐｒｅｄ　ｉは、次式により得られる。
Figure JPOXMLDOC01-appb-M000014
Figure JPOXMLDOC01-appb-I000015

Figure JPOXMLDOC01-appb-I000016
　ここでＸｉは入力値、Ｋは木の数、Ｔは葉の数、ωは葉の重み、Ｆは回帰木空間である。モデル構築の初期段階では、木の数Ｋ＝１である。得られた予測値と目的値の差が最小となるとき、精度の良いモデルとなる。モデルの精度は、次式のような損失関数Ｌ（φ）を計算することで評価される。
Figure JPOXMLDOC01-appb-M000017
Figure JPOXMLDOC01-appb-I000018
　ここで、ｙｉは目的値、ｌは予測値と目的値の残差、Ωは正則化項、γおよびλはパラメータである。損失関数Ｌ（φ）が最小となるモデルを求めていく。損失関数Ｌ（φ）が最小となるモデルを生成するために、Gradient Boostingにより決定木を増やすことでＬ（φ）の最小化を目指す。このような分類器を用いる場合には、予測値ｙｐｒｅｄ　ｉをアーク切れ予測Ｌｐｒｅｄととる。あるいは、電流値を予測する回帰モデルとする場合には、予測値ｙｐｒｅｄ　ｉを予測電流値Ｉｐｒｅｄととって、さらに式（９）のような条件によってアーク切れを判定してもよい。
　サンプリング点ｉにおけるアーク切れ予測Ｌｐｒｅｄ　ｉを出力するためにアーク切れ予測モデルへ入力する説明変数は、例えば以下のようにとることができる。
Figure JPOXMLDOC01-appb-M000019
　ここで、Ｒｗ’ｈ’はスクラップ画像データの明度指標、ＰＫは操業属性データ、Ｏｉ（ｊ）はサンプリング点ｉの操業時系列データのｊ成分（ｊ＝１，２，…，Ｊ）である。操業時系列データは、サンプリング点ｉの成分のみ説明変数にとってもよいし、サンプリング点ｉから所定のサンプリング点ＮＢｕｆｆ分だけ遡ったサンプリング点分の成分を説明変数に加えてもよい。ＮＢｕｆｆは、図１１に示すような溶解工程内の短い範囲の点数である。スクラップ画像データの明度指標Ｒｗ’ｈ’と操業属性データＰＫに紐づけられた日時データに相当する操業時系列データが取得される。つまり、アーク切れ予測モデルを、線形回帰モデルとした場合、例えば、式（１０）内のｐ（説明変数の個数）は、以下のように表される。
Figure JPOXMLDOC01-appb-M000020
（アーク切れ予測部）
　次にアーク切れ予測部３５について説明する。
　アーク切れ予測部３５は、スクラップ画像データに基づくスクラップ２の配置および粗密状態と、制御実績データとを、アーク切れ予測モデルに入力して、スクラップ２と電極７との短絡によるアーク切れの発生を予測する。
　図１２は、アーク切れ予測部３５におけるアーク切れ予測手順について説明するためのフローチャートである。
　ステップＳ４００において、アーク切れ予測部３５は、炉本体４にスクラップ２が投入されたタイミングであるか否かを判定する。スクラップ２が投入されたタイミングでない場合は、アーク切れ予測部３５はスクラップ投入タイミングを待つ。
　一方、スクラップ２が投入されたタイミングである場合、上述した図５と同様の処理により、溶解開始前に、カメラ画像取得部３２によりスクラップ画像データが生成される。
　ステップＳ４１０において、アーク切れ予測部３５は、最新のスクラップ画像データを取得する。スクラップ画像データは、カメラ画像取得部３２から直接取得されてもよいし、データベース３３に格納された後に取得されてもよい。
　ステップＳ４２０において、アーク切れ予測部３５は、溶解が開始されたか否かを判定する。溶解が開始されていない場合、アーク切れ予測部３５は溶解開始を待つ。
　溶解が開始された後、ステップＳ４３０において、アーク切れ予測部３５は、現在のチャージにおける操業時系列データおよび操業属性データを取得する。操業データ収集部３１にて収集された操業時系列データは、操業データ収集部３１から直接、時々刻々、サンプリング周期に従って取得されてもよいし、データベース３３に格納された後に取得されてもよい。
　ステップＳ４４０において、スクラップ画像データと操業時系列データと操業属性データとを入力値とし、アーク切れ予測モデルを用いてアーク切れを予測する。アーク切れ予測モデルの入力値は、モデル構築時と同様に説明変数である（式（１５））。したがって、最新のサンプリング点ｎＮｏｗよりＮＢｕｆｆ点だけ遡ったサンプリング点分を、操業時系列データとして取得する。ここで得られたアーク切れ予測モデルの入力値（説明変数）を、データベース３３に保存したアーク切れ予測モデルに入力して、アーク切れを予測する。
　ステップＳ４５０において、アーク切れ予測部３５は、最新のサンプリング点ｎＮｏｗについてのアーク切れ予測結果を出力する。例えば、アーク切れ予測結果はデータベース３３へ格納される。ここで、アーク切れ予測Ｌｐｒｅｄが１となった場合、アーク切れ予報出力部３６は、映像、音、振動などにより、アーク切れの発生予報を発報する。発報を受けた操業者は、アーク切れを回避するよう、電極７を上昇させる操作を実施できる。これにより、遮断機のトリップによる操業停止時間を削減できる。
　ステップＳ４６０において、アーク切れ予測部３５は、溶解が終了したか否かを判定する。溶解が終了していない場合は、アーク切れ予測部３５は、再びステップＳ４３０の処理に戻り、最新の制御実績データに基づいてアーク切れを予測する。
４．効果
　以上説明したように、本実施の形態に係るアーク切れ予測装置３０によれば、溶解中のスクラップの崩落による短絡を起因とした遮断機の切断（アーク切れ）の発生を予測できる。またアーク切れの発生予報を発報することで、操業者は、スクラップ２と電極７の接触による短絡を防ぐよう電極７を上昇させることができる。そのため、遮断機のトリップによる操業停止を回避できる。
５．変形例
　ところで、上述した実施の形態１に係るアーク炉設備１においては、アーク切れ予測部３５は、アーク切れ学習部３４において構築されたアーク切れ予測モデルを利用してアーク切れの発生を予測する。しかしながら、予め適切なアーク切れ予測モデルが存在する場合には、アーク切れ予測部３５は、その予測モデルを利用してアーク切れの発生を予測することとしてもよい。なお、この点は以下の実施の形態でも同様である。
　なお、図３では、アーク切れ予報出力部３６は、アーク切れ予測装置３０の外に配置されているが、アーク切れ予測装置３０に含めることとしてもよい。
実施の形態２．
　次に、図１３を参照して本開示の実施の形態２について説明する。上述した実施の形態と重複する説明は省略する。
　実施の形態２では、スクラップ２の投入状態を示す指標として、画素の明度に加えて高さを用いる。スクラップ２の配置および粗密状態は、スクラップ画像データの各画素の明度指標および高さ指標に基づいて表される。これにより、アーク切れ予測モデルの説明変数として、より正確なスクラップ２の投入状態が与えられ、精度高くアーク切れが発生するか否かを予測することができる。
　実施の形態２に係るスクラップ撮影カメラ２０は、物体を３次元で撮影可能である。スクラップ撮影カメラ２０の配置は、上述した実施の形態１と同様である。スクラップ撮影カメラ２０の撮像データには、スクラップ投入時の高さの情報が含まれる。
　３次元で撮影可能なカメラの種類として、例えば、ステレオカメラ方式、ToF（Time of Flight）方式、プロジェクタ方式などがある。ステレオカメラ方式では、複数台のカメラを用いて、それぞれの設置間隔や、焦点距離、撮像の差異（視差）によって、対象物と、ステレオカメラの距離を導出する。ToF方式では、同カメラから照射されるパルス光や連続光の、対象物からの反射の速度によって、対象物とカメラの距離を導出する。プロジェクタ方式では、対象物に照射された縞模様の歪みによって、対象物の高低差を導出する。
　ここで示した３次元撮影方法は、その原理を説明するものであって、いずれの方式を利用してもよい。また、ここに示していない方式であっても、３次元で撮影可能であればよい。炉本体４の構造と、スクラップ撮影カメラ２０を設置する場所の情報があれば、スクラップ投入後の３次元カメラと、スクラップ２の高低差からなる高さの情報を元に、炉内のスクラップ２の高さの情報を得ることができる。
　上述したスクラップの投入状態による明度数値配列ｉｍｇｒｅｓｉｚｅと、スクラップの投入状態の高さ数値配列ｉｍｇｈｅｉｇｈｔは、例えば以下のように得ることができる。
Figure JPOXMLDOC01-appb-M000021
Figure JPOXMLDOC01-appb-I000022
　ここで、Ｈは、横方向画素数ｗ’、縦方向画素数ｈ’における高さ数値（高さ指標）である。カメラ画像取得部３２は、これらの情報を含むスクラップ画像データを実施の形態１と同様に、図１３に示す形式でデータベース３３へ格納する。
　こうして得られたスクラップ画像データを元に、実施の形態１と同様に、アーク切れ予測モデルを構築し、その予測モデルを使用して、アーク切れを予測する。このとき、アーク切れ予測モデルの構築や、予測に用いられる入力値（説明変数）は、以下のような構成になる。
Figure JPOXMLDOC01-appb-M000023
　以上説明したように、実施の形態２に係るアーク炉設備１によれば、明度指標および高さ指標を含む情報をアーク切れ予測モデルの説明変数とする。高さ指標を加えることで、実施の形態１に比してより精度高くアーク切れの発生を予測できる。
実施の形態３．
　次に、図１４を参照して実施の形態３について説明する。上述した実施の形態と重複する説明は省略する。
　実施の形態３は、アーク切れが発生すると予測された場合にアーク切れの予報を発報するアーク切れ予報出力部３６に加え、短絡予防出力部３７を有することを特徴とする。短絡予防出力部３７は、アーク切れが発生すると予測された場合に、電極の昇降を自動操作することで、スクラップと電極の接触に伴う短絡を起因とした遮断機の切断を予防する。
　実施の形態３における入力値は、実施の形態１または実施の形態２のいずれ形態であってもよい。アーク切れ予測部３５において、アーク切れ予測Ｌｐｒｅｄが１となった場合、短絡予防出力部３７では、電極７の上昇指令値を出力する。指令値は、制御装置９へ出力され、電極７を予め定めた回避高さまで上昇させる。そのため、操業者による操作を待たずに遮断器の切断を予防できる。
　なお、図１４では、短絡予防出力部３７は、アーク切れ予測装置３０の外に配置されているが、アーク切れ予測装置３０に含めることとしてもよい。
（ハードウェア構成例）
　図１５は、上述した各実施の形態に係るアーク切れ予測装置３０が有する処理回路のハードウェア構成例を示す概念図である。図３および図１４のアーク切れ予測装置３０内の各部は機能の一部を示し、各機能は処理回路により実現される。一態様として、処理回路は、少なくとも１つのプロセッサ９１と少なくとも１つのメモリ９２とを備える。他の態様として、処理回路は、少なくとも１つの専用のハードウェア９３を備える。
　処理回路がプロセッサ９１とメモリ９２とを備える場合、各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。ソフトウェアおよびファームウェアの少なくとも一方は、メモリ９２に格納される。プロセッサ９１は、メモリ９２に記憶されたプログラムおよび各種データを読み出して実行することにより、各機能を実現する。メモリ９２は、主記憶装置および補助記憶装置を含む。メモリ９２は、データベース３３に保存される各種データを格納する。
　処理回路が専用のハードウェア９３を備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、又はこれらを組み合わせたものである。各機能は処理回路で実現される。
　以上、本開示の実施の形態について説明したが、本開示は、上記の実施の形態に限定されるものではなく、本開示の趣旨を逸脱しない範囲で種々変形して実施することができる。上述した実施の形態において各要素の個数、数量、量、範囲等の数に言及した場合、特に明示した場合や原理的に明らかにその数に特定される場合を除いて、その言及した数にこの発明が限定されるものではない。また、上述した実施の形態において説明する構造等は、特に明示した場合や明らかに原理的にそれに特定される場合を除いて、この発明に必ずしも必須のものではない。
１　アーク炉設備
２　スクラップ
３　溶湯
４　炉本体
５　蓋体
６　タップ孔
７　電極
８　電極昇降装置
９　制御装置
１０　出力装置
２０　スクラップ撮影カメラ
３０　アーク切れ予測装置
３１　操業データ収集部
３２　カメラ画像取得部
３３　データベース
３４　アーク切れ学習部
３５　アーク切れ予測部
３６　アーク切れ予報出力部
３７　短絡予防出力部
９１　プロセッサ
９２　メモリ
９３　ハードウェア

Claims (5)

  1. 　スクラップと電極との間のアーク放電により発生した熱を利用して前記スクラップを溶解するアーク炉設備であって、
    　アーク炉内に投入された前記スクラップを撮影するカメラと、
    　前記カメラから取得したスクラップ投入時の画像データと、前記電極に関する溶解開始後の制御実績データと、アーク切れ予測モデルとを含む情報が格納されたメモリと、前記メモリに格納された前記情報を処理するプロセッサと、を含む情報処理装置と、を備え、
    　前記プロセッサは、
    　　前記画像データに基づく前記スクラップの配置および粗密状態と、前記制御実績データとを、前記アーク切れ予測モデルに入力して、前記スクラップと前記電極との短絡によるアーク切れの発生を予測する予測処理を行うように構成されていること、
    　を特徴とするアーク炉設備。
  2. 　前記スクラップの配置および粗密状態は、前記画像データの各画素の明度指標に基づき、
    　前記制御実績データは、操業時系列データと操業属性データとを含み、
    　前記操業時系列データは、各サンプリング時刻における前記電極に関する電流値と電圧値と昇降速度値とを含み、
    　前記操業属性データは、前記スクラップの投入時刻と投入量とを含むこと、
    　を特徴とする請求項１に記載のアーク炉設備。
  3. 　前記メモリは、学習用データを格納し、
    　前記学習用データは、前記アーク炉から過去に出鉱されたスクラップに関する、前記画像データと、前記操業時系列データと、前記操業属性データと、前記操業時系列データの各サンプリング時刻について電流値が短絡相関値よりも高いサンプリング時刻に関連付けられたアーク切れの発生を示すアーク切れ発生ラベルと、を含み、
    　前記プロセッサは、前記学習用データに基づいて、前記アーク切れ予測モデルを構築する学習処理を行うように構成されていること、
    　を特徴とする請求項２に記載のアーク炉設備。
  4. 　前記カメラは、前記アーク炉内に投入された前記スクラップを３次元で撮影し、
    　前記画像データは、各画素について明度指標および高さ指標を含み、
    　前記スクラップの配置および粗密状態は、前記画像データの各画素の明度指標および高さ指標に基づくこと、
    　を特徴とする請求項１乃至３のいずれか１項に記載のアーク炉設備。
  5. 　前記プロセッサは、前記予測処理によりアーク切れが発生すると予測された場合に、前記電極の上昇指令を出力する短絡予防処理を行うように構成されていること、
    　を特徴とする請求項１乃至４のいずれか１項に記載のアーク炉設備。
PCT/JP2021/040981 2021-11-08 2021-11-08 アーク炉設備 WO2023079737A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180075490.XA CN116530213A (zh) 2021-11-08 2021-11-08 电弧炉设备
PCT/JP2021/040981 WO2023079737A1 (ja) 2021-11-08 2021-11-08 アーク炉設備
JP2023518529A JP7552883B2 (ja) 2021-11-08 2021-11-08 アーク炉設備

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/040981 WO2023079737A1 (ja) 2021-11-08 2021-11-08 アーク炉設備

Publications (1)

Publication Number Publication Date
WO2023079737A1 true WO2023079737A1 (ja) 2023-05-11

Family

ID=86240928

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/040981 WO2023079737A1 (ja) 2021-11-08 2021-11-08 アーク炉設備

Country Status (3)

Country Link
JP (1) JP7552883B2 (ja)
CN (1) CN116530213A (ja)
WO (1) WO2023079737A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05174965A (ja) * 1991-12-25 1993-07-13 Fuji Electric Co Ltd アーク炉投入電力制御装置
JP2017216216A (ja) * 2016-06-02 2017-12-07 東芝三菱電機産業システム株式会社 電極昇降装置
JP2018070926A (ja) * 2016-10-27 2018-05-10 Ｊｆｅ条鋼株式会社 電気炉の運転制御システムおよび電気炉ならびに電気炉の運転制御方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05174965A (ja) * 1991-12-25 1993-07-13 Fuji Electric Co Ltd アーク炉投入電力制御装置
JP2017216216A (ja) * 2016-06-02 2017-12-07 東芝三菱電機産業システム株式会社 電極昇降装置
JP2018070926A (ja) * 2016-10-27 2018-05-10 Ｊｆｅ条鋼株式会社 電気炉の運転制御システムおよび電気炉ならびに電気炉の運転制御方法

Also Published As

Publication number Publication date
CN116530213A (zh) 2023-08-01
JP7552883B2 (ja) 2024-09-18
JPWO2023079737A1 (ja) 2023-05-11

Similar Documents

Publication Publication Date Title
CN111372704B (zh) 模具温度异常预兆检测装置以及存储介质
DE60007492T2 (de) Verfahren zur Minimierung des Schlackenüberlaufs während der Stahlproduktion
US20100045798A1 (en) Electronic camera
CN104392213B (zh) 一种适用于熔炼过程中的图像信息状态识别系统
CN107241549A (zh) 双摄像头的成像方法和成像装置
WO2023079737A1 (ja) アーク炉設備
JP6327236B2 (ja) 高炉における溶銑温度予測方法
CN106027917A (zh) 摄像设备及其控制方法
KR20240019361A (ko) 용접 현상의 거동의 계측 방법, 계측 장치, 용접 시스템, 및 프로그램
CN103900712A (zh) 热像选择装置和热像选择方法
CN112828275A (zh) 一种自动扒渣方法、装置及系统
CN111014709A (zh) 一种确定等离子弧火焰长度的方法及装置
CN115950250A (zh) 隧道炉控制方法、系统、电子设备及存储介质
JP2005291984A (ja) 鋼材から成る構造物の発錆状況判定装置、方法及びプログラム
CN115997096A (zh) 用于监测和控制炉的系统和方法
JPWO2013100069A1 (ja) 炉内撮像方法、炉内撮像システムおよびガラス物品の製造方法
CN104651557A (zh) 一种高炉喷煤速率设定方法
FI121443B (fi) Menetelmä ja järjestely kipinöinnin valvomiseksi
JP3868304B2 (ja) 灰溶融炉の運転管理システム
CN111014708B (zh) 一种确定等离子弧火焰直径的方法及装置
JPH0577015A (ja) モ−ルド内ボイル検出方法
CN111014710B (zh) 一种检测等离子弧火焰直径的装置及控制方法
US20220350294A1 (en) Video analysis-based algorithm for triggering power cutback in vacuum arc remelting
JP2000304232A (ja) 溶融スラグ流の画像認識方法
JP2011030093A (ja) ビデオカメラ

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023518529

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202317032509

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 202180075490.X

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21963330

Country of ref document: EP

Kind code of ref document: A1